杭州市主要空气污染物浓度与呼吸系统疾病的关系研究

摘要

本文利用杭州市2013年10月28日至2016年8月31日主要空气污染物浓度的日均变化数据与呼吸系统疾病每日门诊人数，旨在建立杭州市主要空气污染物对当地居民健康影响的关系模型，定量评价该区域主要空气污染物对居民呼吸系统疾病的影响并进行短期门诊人数预测。　　研究中收集了杭州市2013年10月28日至2016年8月31日主要空气污染物PM2.5、PM10、NO2、SO2的日均浓度变化数据和每日最高、最低和日均气温，以及杭州市居民呼吸系统疾病的日门诊人数资料。本文采用时间序列的半参数广义相加泊松回归模型(GAM)，模型中引入的发病人数的长期趋势、气温、周期效应等混杂因素，通过平滑样条函数进行排除，分析杭州市主要空气污染物与日呼吸系统疾病门诊人数的关系及滞后效应;同时分别建立了三种预测模型对杭州市日呼吸系统疾病看病人数进行预测，选择最佳预测模型。研究分析结果如下:　　(1)2013年10月28日至2016年8月31日杭州市主要空气污染物PM25、PM10、NO2、SO2的日均浓度分别为62.25μg/m3、94.94μg/m3、46.59μg/m3、18.97μg/m3。其中，PM25、PM10、NO2年均浓度均低于国家空气质量二级标准，SO2年均浓度符合国家一级空气质量标准。各主要空气污染物之间存在较强的正相关关系，平均温度和各主要空气污染物之间存在较强的负相关关系。　　(2)PM25、PM10、NO2和SO2每增加一个IQR（污染物浓度四分位间距）时，即0.039μg/m3、0.063μg/m3、0.023μg/m3、0.014μg/m3时，对呼吸系统疾病发病人数的相对危险度(RR)分别为1.030(95％CI:1.016-1.045)、1.063(95％CI:1.043-1.084)、1.053(95％CI:1.016-1.091)和1.025(95％CI:1.003-1.048)。　　(3)杭州市主要空气污染物对日呼吸系统疾病的门诊人数总体上存在滞后性，不同的空气污染物对居民呼吸系统疾病的健康效应影响不同。主要空气污染物PM2.5、PM10、NO2、SO2对呼吸系统疾病的最佳滞后天数分别为3天、2天、4天、3天。　　(4)PM2.5、PM10、NO2和SO2每增加一个IQR（污染物浓度四分位间距）时，即0.039μg/m3、0.063μg/m3、0.023μg/m3、0.014μg/m3时，相应的呼吸系统疾病门诊人数增加的百分比分别为3％(95％CI:1.016-1.045)、6.3％(95％CI:1.043-1.084)、5.3％(95％CI:1.016-1.091)和2.5％(95％CI:1.003-1.048)。　　(5)本文建立三种预测模型对杭州市呼吸系统疾病的门诊人数进行了预测，这三种预测模型分别为非线性拟合预测模型，广义相加预测模型和BP神经网络预测模型。这三种模型分别对2016年8月1日至2016年8月31日杭州市呼吸系统疾病的门诊人数进行预测，预测值的平均相对误差分别为38.81％、14.91％和13.821％，均方误差分别为11.89，5.066和4.721。因此，建立BP神经网络预测模型对呼吸系统疾病门诊人数预测效果较好。　　因此，杭州市空气质量还有待提高，其中各主要空气污染物PM25、PM10、NO2、SO2的浓度对杭州市居民的健康效应存在不同的相关性，随着主要空气污染物浓度的增加，相应的杭州市居民敏感性呼吸系统疾病的门诊人数也会有增长的趋势。　　对此提出相关建议，杭州市政府相关部门可以制定空气污染环保规章制度，加强空气污染质量监测与管理，加强宣传保护环境力度，投入更多资金建设环保事业。

目录

声明

摘要

1 绪论

1．1 研究背景

1．2 研究的目的和意义

1．3 国内外研究综述及理论基础

1．3．1 主要空气污染物综述

1．3．2 居民健康效应概念及分析方法

1．3．3 空气污染物对呼吸系统疾病的影响

1．3．4 国家空气质量标准

1．4 研究方案

1．4．1 研究内容

1．4．2 研究方法

1．4．3 关键问题

1．4．4 技术路线

1．5 论文结构安排

2 研究方法

2．1 GAM广义相加模型

2．1．1 GAM分析模型

2．1．2 GAM预测模型

2．2 非线性拟合模型

2．3 BP神经网络

2．4 本章小结

3 实验数据分析

3．1 杭州市主要空气污染物特征分析

3．1．1 数据来源

3．1．2 单因素描述分析

3．1．3 空气污染物的描述性分析

3．1．4 气象因素的描述性分析

3．1．5 空气污染物与气温的Spearman相关分析

3．2 杭州市呼吸系统疾病门诊数据特征分析

3．2．2 日呼吸系统疾病门诊人数分析

3．3 本章小结

4 杭州市空气污染物与呼吸系统疾病门诊人数关系研究

4．3 SO2与呼吸系统疾病人数关系分析

4．4 NO2与呼吸系统疾病人数关系分析

4．5 空气污染物与呼吸系统疾病人数的Pearson相关分析

4．6 空气污染健康效应的Poisson广义相加模型回归

4．6．1 单污染物模型

4．6．2 双污染物与多污染物模型

4．7 本章小结

5 杭州市呼吸系统疾病门诊人数预测

5．1 非线性拟合预测模型

5．2 GAM预测模型

5．3 BP神经网络预测模型

5．4 三种预测模型优劣度对比

5．5 本章小结

6 总结

6．1 讨论与结论

6．2 建议措施

6．3 本文创新点

6．4 不足与展望

参考文献

致谢